CN113516275A - 一种配电网超短期负荷预测方法、装置及终端设备 - Google Patents

一种配电网超短期负荷预测方法、装置及终端设备 Download PDF

Info

Publication number
CN113516275A
CN113516275A CN202110377311.XA CN202110377311A CN113516275A CN 113516275 A CN113516275 A CN 113516275A CN 202110377311 A CN202110377311 A CN 202110377311A CN 113516275 A CN113516275 A CN 113516275A
Authority
CN
China
Prior art keywords
load
day
historical
predicted
prediction
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202110377311.XA
Other languages
English (en)
Inventor
马国真
胡珀
王云佳
庞凝
张泽亚
孙亚领
姚苏航
申和坤
陈鑫
马阳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
North China Electric Power University
Economic and Technological Research Institute of State Grid Hebei Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
North China Electric Power University
Economic and Technological Research Institute of State Grid Hebei Electric Power Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, North China Electric Power University, Economic and Technological Research Institute of State Grid Hebei Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202110377311.XA priority Critical patent/CN113516275A/zh
Publication of CN113516275A publication Critical patent/CN113516275A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Marketing (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Development Economics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明适用于电力技术领域，提供了一种配电网超短期负荷预测方法、装置及终端设备，所述方法包括：从历史负荷数据中提取预测日当天预设时段的历史负荷数据和多个历史日中预设时段的历史负荷数据进行分析，选取历史相似日；计算各个历史相似日中预测时刻的负荷变化率，并根据各个历史相似日中预测时刻的负荷变化率确定预测日中预测时刻的负荷变化率；基于预测日中预测时刻的负荷变化率以及预设的超短期负荷预测模型确定预测日中预测时刻配电网的预测负荷。本发明能够有效提高超短期负荷预测的速度和精度。

Description

一种配电网超短期负荷预测方法、装置及终端设备
技术领域
本发明属于电力技术领域，尤其涉及一种配电网超短期负荷预测方法、装置及终端设备。
背景技术
随着电力系统向智能化、网络化、市场化发展，要求在配电网负荷发生变化时，能快速且自适应调整各发电厂的机组出力，因此，快速、准确地对配电网负荷进行预测十分重要。
目前，在配电网超短期负荷预测方面，现有技术主要是通过神经网络等算法来实现。本申请的发明人发现，现有技术中的超短期负荷预测方法虽然能实现较为准确的预测，但整体预测速度慢，且预测精度有待进一步提高。
发明内容
有鉴于此，本发明实施例提供了一种配电网超短期负荷预测方法、装置及终端设备，以解决现有技术中的超短期负荷预测方法预测速度慢的问题，并进一步提高预测精度。
本发明实施例的第一方面提供了一种配电网超短期负荷预测方法，包括：
获取配电网的历史负荷数据；
从历史负荷数据中提取预测日当天预设时段的历史负荷数据，得到目标序列；其中，预设时段为某一预设时刻至预测时刻的时段；
从历史负荷数据中提取多个历史日中预设时段的历史负荷数据，得到多个参考序列；
根据目标序列和多个参考序列从多个历史日中选取历史相似日；
计算各个历史相似日中预测时刻的负荷变化率，并根据各个历史相似日中预测时刻的负荷变化率确定预测日中预测时刻的负荷变化率；
基于预测日中预测时刻的负荷变化率以及预设的超短期负荷预测模型确定预测日中预测时刻配电网的预测负荷。
本发明实施例的第二方面提供了一种配电网超短期负荷预测装置，包括：
获取模块，用于获取配电网的历史负荷数据；
提取模块，用于从历史负荷数据中提取预测日当天预设时段的历史负荷数据，得到目标序列；其中，预设时段为某一预设时刻至预测时刻的时段；以及，从历史负荷数据中提取多个历史日中预设时段的历史负荷数据，得到多个参考序列；根据目标序列和多个参考序列从多个历史日中选取历史相似日；
负荷变化率计算模块，用于计算各个历史相似日中预测时刻的负荷变化率，并根据各个历史相似日中预测时刻的负荷变化率确定预测日中预测时刻的负荷变化率；
负荷预测模块，用于基于预测日中预测时刻的负荷变化率以及预设的超短期负荷预测模型确定预测日中预测时刻配电网的预测负荷。
本发明实施例的第三方面提供了一种终端设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现如上述配电网超短期负荷预测方法的步骤。
本发明实施例的第四方面提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现如上述配电网超短期负荷预测方法的步骤。
本发明实施例与现有技术相比存在的有益效果是：
本发明通过从配电网历史负荷数据中提取预测日当天预设时段的历史负荷数据，其中，预设时段为某一预设时刻至预测时刻的时段，以及从配电网历史负荷数据中提取多个历史日中相同时段的历史负荷数据，根据相同时段各个历史日与预测日的负荷数据相似性，能够针对预测时刻选取更为准确的历史相似日，提高预测精度，并且降低了数据处理量，有效提高了整体预测速度；进一步，通过各个历史相似日中预测时刻的负荷变化率推算出预测日中预测时刻的负荷变化率，基于预测日中预测时刻的负荷变化率以及预设的超短期负荷预测模型能够对预测日中预测时刻配电网的负荷进行准确预测。本发明能够有效提高超短期负荷预测的速度和精度。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的配电网超短期负荷预测方法的流程示意图；
图2是本发明实施例提供的配电网超短期负荷预测装置的结构示意图；
图3是本发明实施例提供的终端设备的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
本发明实施例的第一方面提供了一种配电网超短期负荷预测方法，如图1所示，该方法具体包括以下步骤：
步骤S101、获取配电网的历史负荷数据。
步骤S102、从历史负荷数据中提取预测日当天预设时段的历史负荷数据，得到目标序列；其中，预设时段为某一预设时刻至预测时刻的时段。
步骤S103、从历史负荷数据中提取多个历史日中预设时段的历史负荷数据，得到多个参考序列。
步骤S104、根据目标序列和多个参考序列从多个历史日中选取历史相似日。
可选的，作为本发明实施例第一方面提供的配电网超短期负荷预测方法的一种具体的实施方式，根据目标序列和多个参考序列从多个历史日中选取历史相似日，包括：
计算每个参考序列与目标序列的相似差；
选取相似差小于预设阈值的参考序列对应的历史日作为历史相似日。
在本发明实施例中，对配电网某一预测时刻的负荷进行预测时，选取该预测时刻前一小段时间作为预设时段，通过提取预设时段的负荷数据以及历史日中相同时段的负荷数据，计算各个相同时段与预设时段负荷数据的相似性来寻找该预测时刻对应的历史相似日，能够针对预测时刻选取更为准确的历史相似日，并且降低了数据处理量，提高了整体预测速度。
另外，考虑到在数据收集时受外界因素影响，所收集到的原始数据有时并不能直接被视为可靠的数据，因此，在本发明实施例中，还可以对目标序列和参考序列中的数据进行预处理。具体的，预处理过程可以为：
如果
Figure BDA0003011653680000041
则令
Figure BDA0003011653680000042
其中，lk,t表示第k天t时刻的负荷值，α(t)、β(t)为预设值。
可选的，作为本发明实施例第一方面提供的配电网超短期负荷预测方法的一种具体的实施方式，计算参考序列与目标序列的相似差，包括：
分别对参考序列和所述目标序列进行模糊聚类，每个序列中的数据均聚类为C种类别，并得到每种类别对应的隶属度；
基于每种类别对应的隶属度计算参考序列与目标序列的相似差。
可选的，作为本发明实施例第一方面提供的配电网超短期负荷预测方法的一种具体的实施方式，基于每种类别对应的隶属度计算参考序列与目标序列的相似差，包括：
Figure BDA0003011653680000051
式中，D为参考序列与目标序列的相似差，
Figure BDA0003011653680000052
为目标序列的第i个类别的隶属度，
Figure BDA0003011653680000053
为参考序列的第i个类别的隶属度。
在本发明实施例中，基于C参数的模糊聚类算法模型如下：
(1)设定各个类的聚类原型矢量Pi(i＝1,2...C)；
(2)更新隶属度矩阵u(b)；
若
Figure BDA0003011653680000054
则
Figure BDA0003011653680000055
式中，
Figure BDA0003011653680000056
为第i类中的样本xk隶属度，
Figure BDA0003011653680000057
表示第i类中的样本xk与聚类原型pi之间的距离，
Figure BDA0003011653680000058
表示第j类中的样本xk与聚类原型pi之间的距离，m为加权指数，典型值为2。
若
Figure BDA0003011653680000059
使得
Figure BDA00030116536800000510
则
Figure BDA00030116536800000511
Figure BDA00030116536800000512
式中，
Figure BDA00030116536800000513
第i类中的样本xr隶属度，
Figure BDA00030116536800000514
为第i类中的样本xs隶属度。
(3)更新聚类原型矩阵p(b+1)；
Figure BDA00030116536800000515
(4)反复迭代，如果||p(b)-p(b+1)||<ε，则停止迭代并输出隶属度矩阵和聚类原型矩阵，否则令b＝b+1，回到第一步。
步骤S105、计算各个历史相似日中预测时刻的负荷变化率，并根据各个历史相似日中预测时刻的负荷变化率确定预测日中预测时刻的负荷变化率。
可选的，作为本发明实施例第一方面提供的配电网超短期负荷预测方法的一种具体的实施方式，计算各个历史相似日中预测时刻的负荷变化率，包括：
Figure BDA0003011653680000061
式中，t+1为预测时刻，
Figure BDA0003011653680000062
为第i个历史相似日中预测时刻的负荷变化率，
Figure BDA0003011653680000063
为第i个历史相似日中预测时刻的负荷，
Figure BDA0003011653680000064
为第i个历史相似日中预测时刻前一时刻的负荷。
可选的，作为本发明实施例第一方面提供的配电网超短期负荷预测方法的一种具体的实施方式，根据各个历史相似日中预测时刻的负荷变化率确定预测日中预测时刻的负荷变化率，包括：
计算各个历史相似日中预测时刻的负荷变化率的平均值，得到预测日中预测时刻的负荷变化率。
步骤S106、基于预测日中预测时刻的负荷变化率以及预设的超短期负荷预测模型确定预测日中预测时刻配电网的预测负荷。
可选的，作为本发明实施例第一方面提供的配电网超短期负荷预测方法的一种具体的实施方式，基于预测日中预测时刻的负荷变化率以及预设的超短期负荷预测模型确定预测日中预测时刻配电网的预测负荷，包括：
Figure BDA0003011653680000068
式中，t+1为预测时刻，
Figure BDA0003011653680000065
为预测日中预测时刻配电网的预测负荷，
Figure BDA0003011653680000066
为预测日中预测时刻的负荷变化率，
Figure BDA0003011653680000067
为预测日中预测时刻前一时刻配电网的预测负荷。
为了验证本发明提出的配电网超短期负荷预测方法的可靠性，本发明实施例采用三种不同的方法分别对同一配电网区进行超短期负荷预测，三种方法分别为RBF(神经网络)预测方法、灰色关联分析-神经网络(GRA-RBF)预测方法和本发明实施例的配电网超短期负荷预测方法。各个预测方法的预测结果如表1-表3所示：
表1 RBF预测方法预测结果
Figure BDA0003011653680000071
表2 GRA-RBF预测方法预测结果
Figure BDA0003011653680000072
Figure BDA0003011653680000081
表3配电网超短期负荷预测方法预测结果
Figure BDA0003011653680000082
根据表1-表3可知，相对于RBF预测方法和GRA-RBF预测方法，本发明提出的配电网超短期负荷预测方法的平均相对误差为仅为0.36％，预测准确度更高，本发明能够显著提高预测精度。
由以上内容可知，本发明通过从配电网历史负荷数据中提取预测日当天预设时段的历史负荷数据，其中，预设时段为某一预设时刻至预测时刻的时段，以及从配电网历史负荷数据中提取多个历史日中相同时段的历史负荷数据，根据相同时段各个历史日与预测日的负荷数据相似性，能够针对预测时刻选取更为准确的历史相似日，提高了预测精度，并且由于降低了数据处理量，有效提高了整体预测速度；进一步，通过各个历史相似日中预测时刻的负荷变化率推算出预测日中预测时刻的负荷变化率，基于预测日中预测时刻的负荷变化率以及预设的超短期负荷预测模型能够对预测日中预测时刻配电网的负荷进行准确预测。本发明能够有效提高超短期负荷预测的速度和精度。
本发明实施例的第二方面提供了一种配电网超短期负荷预测装置，如图2所示，该装置包括：
获取模块21，用于获取配电网的历史负荷数据。
提取模块22，用于从历史负荷数据中提取预测日当天预设时段的历史负荷数据，得到目标序列；其中，预设时段为某一预设时刻至预测时刻的时段；以及，从历史负荷数据中提取多个历史日中预设时段的历史负荷数据，得到多个参考序列；根据目标序列和多个参考序列从多个历史日中选取历史相似日。
负荷变化率计算模块23，用于计算各个历史相似日中预测时刻的负荷变化率，并根据各个历史相似日中预测时刻的负荷变化率确定预测日中预测时刻的负荷变化率。
负荷预测模块24，用于基于预测日中预测时刻的负荷变化率以及预设的超短期负荷预测模型确定预测日中预测时刻配电网的预测负荷。
可选的，作为本发明实施例第二方面提供的配电网超短期负荷预测装置的一种具体的实施方式，根据目标序列和多个参考序列从多个历史日中选取历史相似日，可以详述为：
计算每个参考序列与目标序列的相似差；
选取相似差小于预设阈值的参考序列对应的历史日作为历史相似日。
可选的，作为本发明实施例第二方面提供的配电网超短期负荷预测装置的一种具体的实施方式，计算参考序列与目标序列的相似差，可以详述为：
分别对参考序列和所述目标序列进行模糊聚类，每个序列中的数据均聚类为C种类别，并得到每种类别对应的隶属度；
基于每种类别对应的隶属度计算参考序列与目标序列的相似差。
可选的，作为本发明实施例第二方面提供的配电网超短期负荷预测装置的一种具体的实施方式，基于每种类别对应的隶属度计算参考序列与目标序列的相似差，可以详述为：
Figure BDA0003011653680000101
式中，D为参考序列与目标序列的相似差，
Figure BDA0003011653680000102
为目标序列的第i个类别的隶属度，
Figure BDA0003011653680000103
为参考序列的第i个类别的隶属度。
可选的，作为本发明实施例第二方面提供的配电网超短期负荷预测装置的一种具体的实施方式，计算各个历史相似日中预测时刻的负荷变化率，可以详述为：
Figure BDA0003011653680000104
式中，t+1为预测时刻，
Figure BDA0003011653680000105
为第i个历史相似日中预测时刻的负荷变化率，
Figure BDA0003011653680000106
为第i个历史相似日中预测时刻的负荷，
Figure BDA0003011653680000107
为第i个历史相似日中预测时刻前一时刻的负荷。
可选的，作为本发明实施例第二方面提供的配电网超短期负荷预测装置的一种具体的实施方式，根据各个历史相似日中预测时刻的负荷变化率确定预测日中预测时刻的负荷变化率，可以详述为：
计算各个历史相似日中预测时刻的负荷变化率的平均值，得到预测日中预测时刻的负荷变化率。
可选的，作为本发明实施例第二方面提供的配电网超短期负荷预测装置的一种具体的实施方式，基于预测日中预测时刻的负荷变化率以及预设的超短期负荷预测模型确定预测日中预测时刻配电网的预测负荷，可以详述为：
Figure BDA0003011653680000111
式中，t+1为预测时刻，
Figure BDA0003011653680000112
为预测日中预测时刻配电网的预测负荷，
Figure BDA0003011653680000113
为预测日中预测时刻的负荷变化率，
Figure BDA0003011653680000114
为预测日中预测时刻前一时刻配电网的预测负荷。
图3是本发明一实施例提供的终端设备的示意图。如图3所示，该实施例的终端设备3包括：处理器30、存储器31以及存储在存储器31中并可在处理器30上运行的计算机程序32。处理器30执行计算机程序32时实现上述各个配电网超短期负荷预测方法实施例中的步骤，例如图1所示的步骤S101至S106。或者，处理器30执行计算机程序32时实现上述各装置实施例中各模块的功能，例如图3所示模块31至34的功能。
示例性的，计算机程序32可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器31中，并由处理器30执行，以完成本发明。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序32在终端设备3中的执行过程。例如，计算机程序32可以被分割成获取模块21、提取模块22、负荷变化率计算模块23、负荷预测模块24(虚拟装置中的模块)，各模块具体功能如下：
获取模块21，用于获取配电网的历史负荷数据。
提取模块22，用于从历史负荷数据中提取预测日当天预设时段的历史负荷数据，得到目标序列；其中，预设时段为某一预设时刻至预测时刻的时段；以及，从历史负荷数据中提取多个历史日中预设时段的历史负荷数据，得到多个参考序列；根据目标序列和多个参考序列从多个历史日中选取历史相似日。
负荷变化率计算模块23，用于计算各个历史相似日中预测时刻的负荷变化率，并根据各个历史相似日中预测时刻的负荷变化率确定预测日中预测时刻的负荷变化率。
负荷预测模块24，用于基于预测日中预测时刻的负荷变化率以及预设的超短期负荷预测模型确定预测日中预测时刻配电网的预测负荷。
终端设备3可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。终端设备3可包括，但不仅限于，处理器30、存储器31。本领域技术人员可以理解，图3仅仅是终端设备3的示例，并不构成对终端设备3的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如终端设备3还可以包括输入输出设备、网络接入设备、总线等。
所称处理器30可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器31可以是终端设备3的内部存储单元，例如终端设备3的硬盘或内存。存储器31也可以是终端设备3的外部存储设备，例如终端设备3上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，存储器31还可以既包括终端设备3的内部存储单元也包括外部存储设备。存储器31用于存储计算机程序以及终端设备所需的其他程序和数据。存储器31还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (10)

1.一种配电网超短期负荷预测方法，其特征在于，包括：
获取配电网的历史负荷数据；
从所述历史负荷数据中提取预测日当天预设时段的历史负荷数据，得到目标序列；其中，所述预设时段为某一预设时刻至预测时刻的时段；
从所述历史负荷数据中提取多个历史日中所述预设时段的历史负荷数据，得到多个参考序列；
根据所述目标序列和所述多个参考序列从多个历史日中选取历史相似日；
计算各个历史相似日中预测时刻的负荷变化率，并根据各个历史相似日中预测时刻的负荷变化率确定所述预测日中预测时刻的负荷变化率；
基于所述预测日中预测时刻的负荷变化率以及预设的超短期负荷预测模型确定所述预测日中预测时刻所述配电网的预测负荷。
2.如权利要求1所述的配电网超短期负荷预测方法，其特征在于，所述根据所述目标序列和所述多个参考序列从多个历史日中选取历史相似日，包括：
计算每个所述参考序列与所述目标序列的相似差；
选取相似差小于预设阈值的参考序列对应的历史日作为历史相似日。
3.如权利要求2所述的配电网超短期负荷预测方法，其特征在于，计算所述参考序列与所述目标序列的相似差，包括：
分别对所述参考序列和所述目标序列进行模糊聚类，每个序列中的数据均聚类为C种类别，并得到每种类别对应的隶属度；
基于每种类别对应的隶属度计算所述参考序列与所述目标序列的相似差。
4.如权利要求3所述的配电网超短期负荷预测方法，其特征在于，所述基于每种类别对应的隶属度计算所述参考序列与所述目标序列的相似差，包括：
Figure FDA0003011653670000011
式中，D为所述参考序列与所述目标序列的相似差，
Figure FDA0003011653670000021
为所述目标序列的第i个类别的隶属度，
Figure FDA0003011653670000022
为所述参考序列的第i个类别的隶属度。
5.如权利要求1所述的配电网超短期负荷预测方法，其特征在于，所述计算各个历史相似日中预测时刻的负荷变化率，包括：
Figure FDA0003011653670000023
式中，t+1为预测时刻，
Figure FDA0003011653670000024
为第i个历史相似日中预测时刻的负荷变化率，
Figure FDA0003011653670000025
为第i个历史相似日中预测时刻的负荷，
Figure FDA0003011653670000026
为第i个历史相似日中预测时刻前一时刻的负荷。
6.如权利要求1所述的配电网超短期负荷预测方法，其特征在于，所述根据各个历史相似日中预测时刻的负荷变化率确定所述预测日中预测时刻的负荷变化率，包括：
计算各个历史相似日中预测时刻的负荷变化率的平均值，得到所述预测日中预测时刻的负荷变化率。
7.如权利要求1所述的配电网超短期负荷预测方法，其特征在于，所述基于所述预测日中预测时刻的负荷变化率以及预设的超短期负荷预测模型确定所述预测日中预测时刻所述配电网的预测负荷，包括：
Figure FDA0003011653670000027
式中，t+1为预测时刻，
Figure FDA0003011653670000028
为所述预测日中预测时刻所述配电网的预测负荷，
Figure FDA0003011653670000029
为所述预测日中预测时刻的负荷变化率，
Figure FDA00030116536700000210
为所述预测日中预测时刻前一时刻所述配电网的预测负荷。
8.一种配电网超短期负荷预测装置，其特征在于，包括：
获取模块，用于获取配电网的历史负荷数据；
提取模块，用于从所述历史负荷数据中提取预测日当天预设时段的历史负荷数据，得到目标序列；其中，所述预设时段为某一预设时刻至预测时刻的时段；以及，从所述历史负荷数据中提取多个历史日中所述预设时段的历史负荷数据，得到多个参考序列；根据所述目标序列和所述多个参考序列从多个历史日中选取历史相似日；
负荷变化率计算模块，用于计算各个历史相似日中预测时刻的负荷变化率，并根据各个历史相似日中预测时刻的负荷变化率确定所述预测日中预测时刻的负荷变化率；
负荷预测模块，用于基于所述预测日中预测时刻的负荷变化率以及预设的超短期负荷预测模型确定所述预测日中预测时刻所述配电网的预测负荷。
9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。
CN202110377311.XA 2021-04-08 2021-04-08 一种配电网超短期负荷预测方法、装置及终端设备 Pending CN113516275A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110377311.XA CN113516275A (zh) 2021-04-08 2021-04-08 一种配电网超短期负荷预测方法、装置及终端设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110377311.XA CN113516275A (zh) 2021-04-08 2021-04-08 一种配电网超短期负荷预测方法、装置及终端设备

Publications (1)

Publication Number Publication Date
CN113516275A true CN113516275A (zh) 2021-10-19

Family

ID=78061373

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110377311.XA Pending CN113516275A (zh) 2021-04-08 2021-04-08 一种配电网超短期负荷预测方法、装置及终端设备

Country Status (1)

Country Link
CN (1) CN113516275A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114091755A (zh) * 2021-11-23 2022-02-25 北京奇艺世纪科技有限公司 一种日活跃用户的预测方法、装置、电子设备和介质
CN114399078A (zh) * 2021-11-30 2022-04-26 国网山东省电力公司日照供电公司 一种负荷日前预测与超短期预测的协同预测方法及系统
CN115829152A (zh) * 2022-12-21 2023-03-21 杭州易龙电安科技有限公司 一种基于机器学习算法的电力负荷预测方法、装置及介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109636010A (zh) * 2018-11-23 2019-04-16 国网湖北省电力有限公司 基于相关因素矩阵的省级电网短期负荷预测方法及系统
CN110222871A (zh) * 2019-05-09 2019-09-10 新奥数能科技有限公司 用于电力负荷预测的相似日的选择方法及装置
CN112465196A (zh) * 2020-11-12 2021-03-09 云南电网有限责任公司 一种系统负荷预测方法、装置、设备和存储介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109636010A (zh) * 2018-11-23 2019-04-16 国网湖北省电力有限公司 基于相关因素矩阵的省级电网短期负荷预测方法及系统
CN110222871A (zh) * 2019-05-09 2019-09-10 新奥数能科技有限公司 用于电力负荷预测的相似日的选择方法及装置
CN112465196A (zh) * 2020-11-12 2021-03-09 云南电网有限责任公司 一种系统负荷预测方法、装置、设备和存储介质

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
丁伟等: "一种基于HMF的火电机组短期负荷预测方法", 《热能动力工程》 *
丁伟等: "一种基于HMF的火电机组短期负荷预测方法", 《热能动力工程》, no. 01, 31 January 2020 (2020-01-31), pages 191 - 197 *
季顺祥等: "基于相似日和交叉熵理论的光伏发电功率组合预测", 《南京师范大学学报(工程技术版)》 *
季顺祥等: "基于相似日和交叉熵理论的光伏发电功率组合预测", 《南京师范大学学报(工程技术版)》, no. 02, 30 June 2018 (2018-06-30), pages 19 - 28 *
宗文婷等: "基于改进高斯过程回归模型的短期负荷区间预测", 《电力系统及其自动化学报》 *
宗文婷等: "基于改进高斯过程回归模型的短期负荷区间预测", 《电力系统及其自动化学报》, no. 08, 15 August 2017 (2017-08-15), pages 22 - 28 *
徐鹏: "基于模糊聚类与RBF神经网络的负荷预测方法研究", 中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑, pages 16 - 20 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114091755A (zh) * 2021-11-23 2022-02-25 北京奇艺世纪科技有限公司 一种日活跃用户的预测方法、装置、电子设备和介质
CN114091755B (zh) * 2021-11-23 2024-08-27 北京奇艺世纪科技有限公司 一种日活跃用户的预测方法、装置、电子设备和介质
CN114399078A (zh) * 2021-11-30 2022-04-26 国网山东省电力公司日照供电公司 一种负荷日前预测与超短期预测的协同预测方法及系统
CN115829152A (zh) * 2022-12-21 2023-03-21 杭州易龙电安科技有限公司 一种基于机器学习算法的电力负荷预测方法、装置及介质
CN115829152B (zh) * 2022-12-21 2023-07-07 杭州易龙电安科技有限公司 一种基于机器学习算法的电力负荷预测方法、装置及介质

Similar Documents

Publication Publication Date Title
CN113516275A (zh) 一种配电网超短期负荷预测方法、装置及终端设备
CN110232483B (zh) 深度学习负荷预测方法、装置及终端设备
CN112086203A (zh) 一种疫情预测方法、装置及终端设备
CN108959187A (zh) 一种变量分箱方法、装置、终端设备及存储介质
CN108205580A (zh) 一种图像检索方法、装置及计算机可读存储介质
CN113705929B (zh) 一种基于负荷特征曲线及典型特征值融合的春节假期负荷预测方法
CN114912720A (zh) 基于记忆网络电力负荷预测方法、装置、终端及存储介质
CN112801315A (zh) 电力二次设备的状态诊断方法、装置及终端
CN115796338A (zh) 光伏发电功率预测模型构建及光伏发电功率预测方法
CN113743650B (zh) 电力负荷预测方法、装置、设备与存储介质
CN113190429B (zh) 服务器性能预测方法、装置及终端设备
CN115169089A (zh) 基于核密度估计和copula的风电功率概率预测方法和装置
CN112508260B (zh) 基于对比学习的配电变压器中长期负荷预测方法及装置
CN113592192A (zh) 短期电力负荷预测方法、装置及终端设备
CN117350794A (zh) 一种基于多模型融合的日前电价预测方法、装置及介质
CN116911824A (zh) 基于电力大数据的智能决策方法及系统
CN108830663B (zh) 电力客户价值评价方法、系统及终端设备
CN116706884A (zh) 光伏发电量的预测方法、装置、终端及存储介质
CN114971053A (zh) 低压台区网络线损率在线预测模型的训练方法及装置
CN114638171A (zh) 电网项目投资预测方法、装置、存储介质及设备
CN108764301A (zh) 一种基于反向稀疏表示的混凝土裂缝检测方法
CN117726304B (zh) 项目进度预测及项目资源配给推荐方法
CN116936103B (zh) 一种基于同向网络的用户健康预测管理方法及系统
CN114462925A (zh) 库存异常资产识别方法、装置及终端设备
CN117289192A (zh) 基于分布式协同的互感器故障分析方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination